??? 摘? 要: 提出了一種將支持向量機(jī)(SVM)用于機(jī)械零件識(shí)別的方法,。實(shí)驗(yàn)采用了97張零件圖片,，9類(lèi)零件其中一部分作為訓(xùn)練樣本，另一部分作為測(cè)試樣本,。提取零件的Hu矩作為特征向量，并將BP神經(jīng)網(wǎng)絡(luò)與SVM進(jìn)行了比較,。實(shí)驗(yàn)結(jié)果表明,，以多項(xiàng)式為核函數(shù)的SVM有較高的識(shí)別率。?

??? 關(guān)鍵詞：支持向量機(jī); 零件識(shí)別; Hu矩; BP神經(jīng)網(wǎng)絡(luò)

?

??? 零件識(shí)別是計(jì)算機(jī)視覺(jué)與模式識(shí)別在機(jī)械工業(yè)領(lǐng)域中的重要應(yīng)用之一,。它作為機(jī)械加工自動(dòng)化的基礎(chǔ),，將人從繁重的勞動(dòng)中解放出來(lái)，提高了生產(chǎn)率,，也降低了成本,。機(jī)械零件識(shí)別已經(jīng)在國(guó)內(nèi)引起了廣泛關(guān)注，現(xiàn)有的方法主要集中在模板匹配和神經(jīng)網(wǎng)絡(luò)方面^［1-3］,。?

??? 支持向量機(jī)SVM（Support Vector Machine）是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論(SLT)提出的一種新的機(jī)器學(xué)習(xí)方法,。SVM建立在SLT的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的基礎(chǔ)上，根據(jù)有限樣本信息在模型復(fù)雜性與學(xué)習(xí)能力之間尋找最佳折衷,，以期獲得最好的推廣能力,。SVM有效地克服了神經(jīng)網(wǎng)絡(luò)分類(lèi)中出現(xiàn)的過(guò)學(xué)習(xí)、欠學(xué)習(xí)以及陷入局部極小值等諸多問(wèn)題,。在解決小樣本,、非線性及高維數(shù)等模式識(shí)別與回歸分析問(wèn)題中,表現(xiàn)出獨(dú)特的優(yōu)勢(shì)和良好的應(yīng)用前景。近年來(lái),，SVM在手寫(xiě)體識(shí)別,、人臉識(shí)別、文本分類(lèi)等領(lǐng)域都取得了很大的成功^［4-6］,。?

??? 本文將SVM應(yīng)用在零件識(shí)別上,，通過(guò)實(shí)驗(yàn)，取得了比較滿意的結(jié)果,。?

1 支持向量機(jī)?

1.1 VC維和SRM?

??? 支持向量機(jī)最初是建立在VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的,。在模式識(shí)別方法中VC維被直觀地定義為：對(duì)一個(gè)指示函數(shù)集,，如果存在h個(gè)樣本能夠被函數(shù)集中的函數(shù)按所有可能的各種形式分開(kāi)，則稱(chēng)函數(shù)集能夠把h個(gè)樣本打散,。能打散的最大樣本數(shù)目就是它的VC維,，它反映的是函數(shù)集的學(xué)習(xí)能力。VC維越大則學(xué)習(xí)機(jī)器越復(fù)雜,。結(jié)構(gòu)風(fēng)險(xiǎn)最小原則(SRM)是統(tǒng)計(jì)學(xué)理論中提出的一種新策略,，即把函數(shù)集構(gòu)造為一個(gè)函數(shù)子集序列，并使子集按VC維的大小排列,；在每個(gè)子集中尋找最小經(jīng)驗(yàn)風(fēng)險(xiǎn),，在子集間折中考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍使實(shí)際風(fēng)險(xiǎn)最小^［7］。?

1.2 最優(yōu)分類(lèi)面?

??? 如圖1所示,，實(shí)心圓和空心圓分別代表兩個(gè)不同的類(lèi),，H為超平面，H1和H2分別為各類(lèi)中離分類(lèi)超平面最近的樣本,且平行于分類(lèi)超平面的平面,。H1,、H2上的樣本點(diǎn)就是支持向量，margin為它們之間的距離,，稱(chēng)為分類(lèi)間隔,。所謂最優(yōu)分類(lèi)面就是能使兩類(lèi)正確分開(kāi)，而且使分類(lèi)間隔最大,。前者保證經(jīng)驗(yàn)風(fēng)險(xiǎn)最小,，后者保證置信范圍最小,，從而使實(shí)際風(fēng)險(xiǎn)最小^[7],。?

?

?

??? 設(shè)有N個(gè)訓(xùn)練樣本,(x₁,y₁),…,(x_l,y_l)·x_i∈Rⁿ,y_i∈{+1,-1},若線性可分，則存在決策函數(shù)：?

?????

??? SVM的目的就是要找出一個(gè)最優(yōu)超平面,，使得margin=?

??? 從而原始最優(yōu)問(wèn)題轉(zhuǎn)換為求:?

??? ?

??? 問(wèn)題已轉(zhuǎn)換成求解(4)式的最小值,。通過(guò)這種轉(zhuǎn)換，將問(wèn)題轉(zhuǎn)換成一個(gè)不等式在條件約束下的二次尋優(yōu)問(wèn)題,，存在唯一解α^*,再轉(zhuǎn)換成對(duì)偶問(wèn)題后,，即可求得最優(yōu)超平面的參數(shù),w^*、b^*:?

?

??? 對(duì)于非線性問(wèn)題,，SVM的核心思想是利用非線性映射Ф,，將輸入向量映射到一個(gè)高維空間，然后在這個(gè)高維空間中構(gòu)造最優(yōu)分類(lèi)面,。Rⁿ上的樣本集{x_i,y_i}映射到高維空間得新樣本集{φ_i(x_i),y_i},，然后根據(jù)新樣本集構(gòu)建最優(yōu)分類(lèi)面，所得判決函數(shù): ?

?

式中,，K為核函數(shù),，不同的核函數(shù)產(chǎn)生不同的支持向量機(jī)算法,。核函數(shù)的選擇在支持向量機(jī)算法中是一個(gè)難點(diǎn)^[8]。常見(jiàn)的核函數(shù)有：?

??? (1)多項(xiàng)式核函數(shù)：K(x,x_i)=[(x,x_i)+1]^d,，d為多項(xiàng)式階數(shù),。?

??? (2)徑向基形式核函數(shù)RBF：?

??? (3)Sigmoid核函數(shù)：K(x,x_i)=tanh(v(x,x_i)+c)。?

1.3 SVM多類(lèi)分類(lèi)方法?

??? 基本的支持向量機(jī)方法僅能解決二分問(wèn)題,，要實(shí)現(xiàn)多分問(wèn)題,，需要在二分的基礎(chǔ)上構(gòu)造出多類(lèi)分類(lèi)器^[9-11]。SVM的多類(lèi)分類(lèi)方法目前主要有以下三種：?

??? (1) 一對(duì)多分類(lèi)器?

??? 對(duì)N類(lèi)分類(lèi)樣本,，構(gòu)造N個(gè)兩類(lèi)分類(lèi)器,，其中第i個(gè)分類(lèi)器用第i類(lèi)的樣本作為正樣本，其余樣本作為負(fù)樣本,。判別方式是：對(duì)某個(gè)輸入待測(cè)樣本,，其分類(lèi)結(jié)果為分類(lèi)器輸出值最大的那個(gè)分類(lèi)器類(lèi)別。?

??? (2) 一對(duì)一分類(lèi)器?

??? 對(duì)N類(lèi)中的每?jī)深?lèi)構(gòu)造一個(gè)子分類(lèi)器,，需要構(gòu)造N(N-1)/2個(gè)分類(lèi)器,，然后采用投票法確定分類(lèi)結(jié)果。?

??? (3) 決策樹(shù)分類(lèi)器?

??? 將多類(lèi)分類(lèi)問(wèn)題分解為多級(jí)兩類(lèi)分類(lèi)問(wèn)題,，如圖2所示,。?

?

?

??? 以上三種就是目前流行的SVM的多類(lèi)分類(lèi)器構(gòu)造法。第一種方法的優(yōu)點(diǎn)是構(gòu)造的分類(lèi)器少,，缺點(diǎn)是容易產(chǎn)生多個(gè)相同輸出值,，降低了識(shí)別率；第二種方法的缺點(diǎn)是類(lèi)別多了以后,，構(gòu)造的分類(lèi)器較多,，優(yōu)點(diǎn)是采用投票法，識(shí)別結(jié)果更好,；第三種方法介于前兩種方法之間,，缺點(diǎn)是如果某個(gè)結(jié)點(diǎn)發(fā)生誤判，就會(huì)導(dǎo)致下面輸出都是錯(cuò)的,。本文選用第二種方法來(lái)構(gòu)造多類(lèi)分類(lèi)器,。?

2 特征提取?

??? 零件識(shí)別，主要基于零件的形狀,，而矩特征能夠充分反映物體的形狀信息,。Hu提出的7個(gè)不變矩，對(duì)于目標(biāo)的平移,、旋轉(zhuǎn),、縮放都不敏感。本文提取零件的Hu矩作為SVM的訓(xùn)練樣本特征空間,。Hu矩的y計(jì)算如下：?

??? 設(shè)f(x,y)為一幅二維數(shù)字圖像,，為圖像質(zhì)心位置,，則0～3階中心矩定義如下：?

?

3 實(shí)驗(yàn)結(jié)果與分析?

??? 實(shí)驗(yàn)采用了97張零件圖像，每張為1 024×1 280,，總共9類(lèi)零件,，樣本集42張，被測(cè)集55張,如圖3所示,。?

?

?

??? 基于SVM和神經(jīng)網(wǎng)絡(luò)的零件識(shí)別流程圖分別如圖4,、圖5所示。?

?

?

?

??? 實(shí)驗(yàn)1：分別對(duì)不同核函數(shù)情況下SVM識(shí)別情況進(jìn)行了比較,，發(fā)現(xiàn)以多項(xiàng)式為核函數(shù)的支持向量機(jī)分類(lèi)器有較好的識(shí)別效果,，如表1所示。?

?

?

??? 實(shí)驗(yàn)2：將SVM與神經(jīng)網(wǎng)絡(luò)的識(shí)別率進(jìn)行比較,。發(fā)現(xiàn)SVM的正確率比較高,，如表2所示。?

?

?

??? 零件誤識(shí)別的主要原因是零件二值化時(shí),，分割效果不好,，造成特征提取有一定的誤差。然而,，SVM卻能很好地識(shí)別,，這進(jìn)一步證實(shí)了SVM比神經(jīng)網(wǎng)絡(luò)有更好的泛化性。?

??? 以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的SVM,，不僅克服了神經(jīng)網(wǎng)絡(luò)過(guò)學(xué)習(xí)和陷入局部極小的問(wèn)題,，而且具有很強(qiáng)的泛化能力。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證,，將SVM用于機(jī)械零件識(shí)別的方法行之有效,，識(shí)別率高于神經(jīng)網(wǎng)絡(luò)。?

參考文獻(xiàn)?

[1] 歐彥江.基于神經(jīng)網(wǎng)絡(luò)的機(jī)械零件識(shí)別研究,，四川大學(xué)碩士論文,，2006.?

[2] 吳文榮.基于機(jī)器視覺(jué)的柔性制造島在線零件識(shí)別系統(tǒng)研究，電子科技大學(xué)碩士論文,，2004.?

[3] 安新，李麗宏,，安慶賓,等,，機(jī)械零件識(shí)別系統(tǒng)的研究.微計(jì)算機(jī)信息，2006,，22(7):236-238.?

[4] 朱家元,，楊云，張恒喜,等.基于優(yōu)化最小二乘支持向量機(jī)的小樣本預(yù)測(cè)研究.航空學(xué)報(bào),，2004(6)：29-32.?

[5] 尚磊,，劉風(fēng)進(jìn).基于支持向量機(jī)的手寫(xiě)體數(shù)字識(shí)別.兵工自動(dòng)化,，2007，26(3)：39-41.?

[6] 陳鵬.智能交通中汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)的研究. 中國(guó)海洋大學(xué)碩士論文,，2005.?

[7] VAPNIK V N.統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M].張學(xué)工譯.北京：清華大學(xué)出版社,，2000.?

[8] 郭麗娟，孫世宇,，段修生.支持向量機(jī)及核函數(shù)研究. 科學(xué)技術(shù)與工程,，2008(2)：487-490.?

[9] PLATT J, CRISTIANINI N, TAYLOR J S. Large margin?DAGS for multi-class classification. Asvances in Neural?Information Processing Systems, 12 ed. S.A. Solla, T. K.Leen and K.-R. Muller, MIT Press, 2000.?

[10] MAYLRAZ E, ALPAYDIN E. Support vector machines for ??? multi-class classification. Proceedings of the International?Workshop on Artificial Neural Networks (IWANN99),IDIAP Technical Report 98-06,1999.?

[11] WESTON J, WATKINS C. Watkins. Multi-class support?vector machines. In Proceeding of ESANN99,ed.M.Verleysen,D.Facto Press, Brussels, 1999: 219-224.?